📚 课程目录第4章 SLI基础概念

4. SLI 基础概念：服务等级指标定义与黄金信号

服务等级指标（Service Level Indicator, SLI）是衡量系统某一特定维度服务质量的量化度量。它是 SRE 实践中最基础的观测单元，直接决定了我们能否客观判断服务是否“健康”。

4.1 SLI 定义与核心特征

SLI 是对服务行为的某个方面进行直接测量的数值，通常表示为一段时间内的比率、计数或分布。一个合格的 SLI 必须满足以下特征：

可测量：能从监控系统或日志中直接采集，而非主观推断。
面向用户：优先测量用户可见的请求路径，而非内部组件指标。
时间聚合：通常以窗口期（如 1 分钟、5 分钟、30 天）聚合为比率。
可区分好坏：能明确判定单次请求或采样点是否“成功”。

实践要点：SLI 的测量口径必须与用户真实体验对齐。例如，测量“服务器 CPU 空闲率”不是 SLI，测量“用户登录请求在 2 秒内返回成功”才是 SLI。

4.2 SLI 与 SLO、错误预算的关系

SLI、SLO（服务等级目标）和错误预算构成了 SRE 质量管理的三角模型。三者关系如下表所示：

概念	定义	典型示例	作用
SLI	服务质量的实际测量值	请求成功率 = 99.95%	反映当前真实状态
SLO	SLI 的目标阈值	SLI ≥ 99.9%	定义可接受的服务质量下限
错误预算	SLO 允许的失败额度	30 天内允许 0.1% 的请求失败	平衡可靠性与迭代速度

三者的核心关系可以概括为：SLI 是实际观测值，SLO 是期望目标，错误预算是 SLO 未达标部分的量化额度。当 SLI 持续高于 SLO 时，错误预算累积；当 SLI 跌破 SLO 时，错误预算消耗殆尽，应触发质量门禁或发布暂停。

  关键公式：

  错误预算 = 1 - SLO（以小数表示）

  例如：SLO = 99.9% → 错误预算 = 0.1% = 0.001

  在 30 天窗口内，总请求数为 10,000,000，则允许失败请求数 = 10,000,000 × 0.001 = 10,000 次。

4.3 SLI 的黄金信号（The Four Golden Signals）

Google SRE 经典著作《Site Reliability Engineering》提出了监控分布式系统的四个黄金信号。这四类指标覆盖了用户可感知的服务质量全貌，是定义 SLI 的首选维度。

黄金信号	英文	测量对象	典型 SLI 示例
延迟	Latency	请求处理耗时	P95 延迟 < 500ms；平均延迟 < 200ms
流量	Traffic	请求负载量	QPS > 1000；每秒活跃连接数
错误	Errors	请求失败率	HTTP 5xx 率 < 0.1%；超时率 < 0.05%
饱和度	Saturation	资源耗尽程度	CPU 使用率 < 80%；内存使用率 < 75%

4.3.1 延迟（Latency）

延迟衡量请求从发出到收到完整响应所花费的时间。延迟 SLI 通常使用百分位值（P50、P95、P99）而非平均值，因为平均值会掩盖长尾慢请求。在 CI/CD 流水线中，延迟 SLI 常用于判断新版本是否引入了性能退化。

4.3.2 流量（Traffic）

流量反映系统当前承载的请求量级。常见的流量 SLI 包括每秒请求数（QPS）、每秒事务数（TPS）、活跃连接数等。流量本身不是质量指标，但流量突变往往是延迟或错误率恶化的前兆。

4.3.3 错误（Errors）

错误信号直接衡量请求失败的比例。错误 SLI 的定义必须明确“什么是失败”：显式错误（HTTP 5xx）、隐式错误（返回 200 但业务逻辑异常）、超时、连接拒绝等。在质量门禁中，错误率是最常用的阻断条件。

4.3.4 饱和度（Saturation）

饱和度衡量系统资源被消耗的程度，通常与容量规划直接相关。常见的饱和度 SLI 包括 CPU 利用率、内存使用率、磁盘 I/O 等待时间、连接池使用率等。当饱和度接近 100% 时，延迟和错误率通常会急剧上升。

常见误区：不要将“饱和度”等同于“资源使用率”。饱和度应关注最早达到瓶颈的资源。例如，数据库连接池使用率达到 90% 比 CPU 使用率 50% 更具威胁性。

4.4 黄金信号在 CI/CD 质量门禁中的应用

在质量门禁驱动的流水线中，黄金信号被转化为具体的 SLI 口径和门禁阈值。以下是一个典型的门禁配置示例：

# 质量门禁 SLI 配置示例（YAML 格式）
quality_gates:
  - name: "延迟门禁"
    sli_type: latency
    metric: "http_request_duration_seconds_p99"
    threshold: 0.5  # 单位：秒
    window: "5m"    # 评估窗口
    action: "block" # 阻断发布

  - name: "错误率门禁"
    sli_type: errors
    metric: "http_requests_total{status=~'5..'}"
    threshold: 0.001  # 0.1%
    window: "10m"
    action: "block"

  - name: "饱和度门禁"
    sli_type: saturation
    metric: "node_cpu_utilization"
    threshold: 0.8  # 80%
    window: "5m"
    action: "warn"  # 仅告警，不阻断

  最佳实践：在流水线中，延迟和错误 SLI 通常设置为硬门禁（阻断发布），而饱和度和流量 SLI 更适合设置为软门禁（告警或人工审核），因为资源饱和度可能由历史流量累积导致，而非当前变更直接引发。

4.5 定义 SLI 的通用步骤

识别用户关键路径：确定用户最常使用的 API、页面或功能。
选择黄金信号维度：从延迟、错误、流量、饱和度中选取 1~3 个最相关的维度。
确定测量口径：明确计数方式（请求总数 vs 成功数）、时间窗口、聚合方式（平均值 vs 百分位）。
设定好坏判定标准：定义单次请求“成功”和“失败”的精确条件。
验证可测量性：确认监控系统能稳定采集该指标，且延迟在可接受范围内。

通过以上步骤定义的 SLI，才能可靠地驱动 SLO 和错误预算的计算，最终成为质量门禁的量化依据。